研究前沿：量子对抗性机器学习 | Nature Machine Intelligence

在图像分类和特征检测等数据驱动任务中，机器学习Machine learning，ML算法是有力的工具。不过，对抗性示例的脆弱性（被操纵以欺骗算法的输入样本），仍然是严峻的挑战之一。机器学习与量子计算的集成，不仅提供更好的准确性和计算效率，而且对对抗性攻击，具有更好的鲁棒性工具。

事实上，最近的工作已经利用量子力学现象，以抵御对抗性攻击，促进了量子对抗性机器学习quantum adversarial machine learning （QAML）领域的快速发展，并可能产生新的量子优势来源。尽管早期结果很有希望，但在构建强大的真实世界量子对抗性机器学习QAML工具方面，仍然存在挑战。

近日，澳大利亚墨尔本大学（The University of Melbourne）Maxwell T. West，Muhammad Usman等，在Nature Machine Intelligence上发表评述文章，讨论了量子对抗性机器学习QAML的最新进展，并确定了关键挑战。还提出了未来的研究方向，随着量子计算硬件规模的扩大和噪声水平的降低，这些研究方向，有望确定量子对抗性机器学习QAML方法的实用化路线。

Towards quantum enhanced adversarial robustness in machine learning.

在机器学习中，量子增强对抗的鲁棒性。

图1:对抗性机器学习Machine learning，ML。

图2:攻击和防御量子分类器。

图3:量子对抗性机器学习ML框架。

图4:容错实现。

文献链接

https://www.nature.com/articles/s42256-023-00661-1

https://doi.org/10.1038/s42256-023-00661-1

本文译自Nature。